1 概率

• 古典概型和几何概型
  • 古典概型（有限等可能）
  • 几何概型（无限等可能）
• 条件概率

$$P(A|B)=\frac{P(AB)}{P(B)}$$

• 全概率公式

$$P(B)=\sum _{i=1}^{n}P(A_i)P(B|A_i)$$

• 贝叶斯公式：根据先验概率计算后验概率

$$\begin{gathered} P(H|E)=\frac{P(H)P(E|H)}{P(E)} \\ P(B_i|A)=\frac{P(B_i)P(A|B_i)}{{\sum }_{i}P(B_i)P(A|B_i)} \\ P(H_i|E_1{E}_2\cdots E_m)=\frac{P(E_1|H_i)P(E_2|H_i)\cdots P(E_m|H_i)P(H_i)}{\sum _{j=1}^{n}P(E_1|H_j)P(E_2|H_j)\cdots P(E_m|H_j)P(H_j)} \end{gathered}$$

• 先验概率和后验概率
  • 先验概率：事情未发生，根据以往数据分析得到的概率
  • 后验概率：事情已发生，这件事情发生的原因是由某个因素引起的概率。 $P(B_i|A)$ 中 $B_i$ 为某个因素，$A$ 为已经发生的结果

2 离散随机变量及分布

$X$ 的概率分布函数：

• 两点分布（01分布）$X\sim B(1,p)$

$$\begin{gathered} P(X=0)=1-p \\ P(X=1)=p \\ p\in (0,1) \end{gathered}$$

• 二项分布（伯努利分布）$X\sim B(n,p)$

$$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k}p\in (0,1),k=0,1,2,\cdots ,n$$

• 泊松分布 $X\sim P(\lambda )$

$$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!}\lambda >0,k=0,1,2,\cdots$$

• 几何分布 $X\sim G(p)$

$$P(X=k)=(1-p{)}^{k-1}pp\in (0,1),k=1,2,\cdots$$

• 超几何分布 $X\sim h(n,N,M)$

$N$个产品，$M$个次品，从中无放回随机抽取$n$个，不合格数$X$服从超几何分布
$$P(X=k)=\frac{C_{N-M}^{n-k}{C}_M^k}{C_N^n}$$

联合分布函数：二维随机变量 $(X,Y)$ 的分布函数。

边缘概率函数：从联合分布函数得到只关于一个变量的概率分布，而不再考虑另一变量的影响，相当于降维操作

条件概率函数：在一个已知变量发生的情况下，考虑另一个变量的概率分布函数

3 连续随机变量及分布

概率密度函数：连续型随机变量 $X$ 的分布函数为 $F(x)$ ，若存在一个非负的函数 $f(x)$ ，使得对任意 $x$ 有：
$$F(x)={\int }_{-\infty }^{x}f(t)dt$$
则称 $f(x)$ 为 $X$ 的概率密度函数

联合概率密度：二维随机变量的概率密度函数

边缘分布函数：二维随机变量关于某一维变量的概率密度分布，化为关于这一维变量的积分函数

• 均匀分布 $X\sim U(a,b)$

$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& a\le x\le b\\ 0,& 其他\end{array}$$

• 指数分布 $X\sim E(\lambda )$

$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x>0\\ 0,& 其他\end{array}$$

• 正态分布（高斯分布）$X\sim N(\mu ,{\sigma }^2)$

$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

标准正态分布 $X\sim N(0,1)$

4 随机变量数字特征

4.1 数学期望

离散分布的数学期望

• 两点分布 $E=p$

• 二项分布 $E=np$

• 泊松分布 $E=\lambda$

• 几何分布 $E=\frac{1}{p}$

连续分布的数学期望

公式为：
$$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx$$

• 均匀分布 $E=\frac{a+b}{2}$
• 指数分布 $E=\frac{1}{\lambda }$
• 正态分布 $E=\mu$

4.2 方差

$$D(X)=E[(X-E(X){)}^2]=E(X^2)-E^2(X)$$

4.3 协方差

$$Cov(X,Y)=E[(X-E[X])(Y-E[Y])]=E[XY]-E[X]E[Y]$$

从数值来看，协方差的数值越大，两个变量同向程度也就越大。反之亦然。

两个集合X和Y的协方差计算公式为：
$$\text{Cov}(X,Y)=\frac{1}{n}\sum _{i=1}^n(x_i-\bar{x})(y_i-\bar{y})$$

4.4 相关系数

$${\rho }_{{}_{XY}}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$$

相关系数等于0，不相关，相互独立

• 独立、互斥、相关（线性相关）

5 大数定理和中心极限定理

• 大数定理

样本数量很大的时候，样本均值和数学期望充分接近，也就是说当我们大量重复某一相同的实验的时候，其最后的实验结果可能会稳定在某一数值附近。

伯努利大数定律： $f_n(A)$ 为事件 $A$ 出现的频率，$p$ 是事件A每次实验中发生的概率
l i m n → ∞ P { ∣ f n ( A ) − p ∣ < ε } = 1 \mathop{lim} \limits _{n \rightarrow \infin} P \{ |f_n(A) - p| \lt \varepsilon \} = 1 n→∞lim​P{∣fn​(A)−p∣<ε}=1
还有切比雪夫大数定律，马尔科夫大数定律

• 中心极限定理

大量（$n\to \infty$）、独立、同分布的随机变量之和，近似服从于一维正态分布。

随机变量之和的标准化变量为
$$\eta =\frac{\sum _{i=1}^n{x}_i-n\mu }{\sqrt{n}\sigma }$$

均值为$\mu$，方差为${\sigma }^2$的独立同分布的随机变量序列$x_1,x_2,\cdots ,x_n$，只要$n$足够大，就有
$$\frac{\sum _{i=1}^n{x}_i-n\mu }{\sqrt{n}\sigma }\stackrel{近似}{\sim }N(0,1)$$

6 参数估计

极大似然估计要求所有采样都是独立同分布的

就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！

求最大似然估计量 $\hat{\theta }$ 步骤：

1. 写出似然函数，似然函数越大越好

$$L=\prod _{i=1}^{n}f(x_i)$$

2. 对似然函数取对数，整理

3. 求导数，让导数等于0

4. 解似然方程